针对多数机构面临的大规模报表数据录人问题,提出了一种基于BP神经网络的手写数字识别系统。对输人图像进行图像预处理、 图像分割和特征提取,随后将提取的特征信息输人到已经训练好的BP神经网络进行分类识别。
MNIST手写数据集的训练和测试代码,代码准确率高于98%,代码完善,下载即可使用,利用TensorFlow编译环境,适合新手自学。MNIST数据集是个通用数据集,很多新手都会用到。
Hopfield神经网络的改进及其应用——基于Hopfield神经网络的脱机手写数字识别
手写体数字识别是一个跨学科的复杂问题,综合了图像处理、模式识别、机器学习等多个领域的知识,其识别过程一般包含图像预处理、特征提取、分类器的设定及其后处理等组成
基于粗网格特征提取再和Hopfield神经网络相结合的识别方法:首先用粗网格提取特征向量组,再将向量组分为8个分向量,然后再作为Hopfield的输入向量,进行识别,经过对样本的仿真、测试,有着良好的
为pdf文档,有fisher相关原理介绍
该项目在开发过程中没有用到F6层,主要包括2个卷积层、2个池化层、1个全连接层,外加输入及输出,共7层网络。实际训练时采用最大值池化、双曲正切激活函数,经过8轮迭代训练,手写数字识别准确率即达到99%
该案例主要是实现手写数字识别,也就是给出手写数字的图片,识别出所写数字是多少。该文件中包含了数据以及处理数据的代码,适合初学者学习。代码中包含读入数据,数据格式化,分为训练集和测试集,预测结果等代码。
卷积神经网络实现手写数字识别训练模型及可视化,支持向量机实现手写数字识别 训练模型,贝叶斯分类器实现手写数字识别训练模型,mnist数据集提取成28*28的图片形式,包含代码及25页作业报告
神经网络大作业,使用PCA和改进的神经网络对UCI机器学习数据库的手写数字进行识别,训练样本3823,测试样本1797
